spss中的标度与名义的区别

哦，是的，是的，名义变量和标量变量都是这样。

名义变量是分类变量。
比如你看，我朋友在2 02 2 年做了一个调查，问你是男孩还是女孩。
性别是一个名义变量。
SPSS 中存储的数据可能是“男性”或“女性”文本。
没有尺寸或订单。
这只是一个区别。
什么种族、职业等等都属于这个。

尺度变量是数值，具有大小和顺序。
假设2 02 2 年，我在北京，统计那里人的年龄。
年龄是一个尺度变量。
SPSS 中存储的是数字。
例如，3 0岁就比2 0岁大。
这些数字具有可比性。
身高和体重也是如此，两者都是尺度变量。

存储也不同。
名义变量通常以文本形式存储在 SPSS 中。
尺度变量存储为数字。

分析方法也完全不同。
对于名义变量，当你分析它们时，你只是看频率，或多或少的类别，然后做卡方检验，看看类别之间是否存在关系。
例如，2 02 2 年我会在上海做一个项目，分析不同社区的居民对某些政策的支持程度。
支持和反对是名义变量。
我将计算频率并进行卡方检验，看看是否存在任何关系。

缩放变量，分析它们，使用描述性统计数据（例如平均值、标准差）来获得总体情况。
或者进行 t 检验，看看两组之间是否存在显着的年龄差异。
或者用方差分析看看三个以上群体的平均消费是否有差异，比如不同收入群体。
2 02 2 年我会在广州做一个研究，分析不同教育背景的人的月收入。
收入是一个尺度变量，所以我会使用 t 检验或方差分析。

所以你看，区分名义变量和标量变量很重要。
如果使用错误的方法，结果就会错误。
例如，我将名义变量视为尺度变量来计算平均值，但后来我意识到这一定是错误的。
也许我有偏见，认为这太明显了，但有时它可能会非常令人困惑。
您需要根据变量选择正确的分析方法。

SPSS——描述性统计与变量分布形态

在SPSS中做描述性统计是相当实用的。
关键是看数据是什么样的，并用几个数字来解释清楚。
三个主要组成部分是集中趋势、分散程度和分布形状。

1 .集中趋势 此任务是找到数据的平均值。

平均：最常用的是计数。
例如，如果您有多个分数，请计算您的平均分数。
但有一个陷阱。
存在特别有偏见的评估。
例如，如果某人得分为2 00，则平均分将会提高。
在这种情况下，请使用截尾平均值或中位数。

修剪平均值：首先去除特别倾斜的数字，例如从低分到高分的排名，先丢弃前 5 % 和后 5 %，然后计算其余数字的平均分。

中位数：这是按大小顺序排列的平均数。
例如1 、2 、3 ，中位数为2 特别适合估计有偏差的情况。

众数：最常出现的数字。
可能不止一个，SPSS会告诉你不止一个，通常选择最小的一个。
或者也许没有。
在哪里使用它？对于名义变量（例如性别、男性或女性），求众数。
序数变量（例如，优秀、良好、平均）也可以找到众数或中位数。
固定区间和固定系数（例如收入和年龄）都可以使用。

2 分散度 这是关于数据的分散程度。

标准差：查看数据与平均值的距离。
大的标准差意味着估计值差异很大。

方差：标准差的平方也可以认为是分散的，但如果平方的话数字会变大。

全范围：最大值减去最小值。
例如，考试最高分是1 00分，最低分是5 0分，总分是5 0分。

四分位距：将数据分为四部分：第三部分的最大值减去第一部分的最大值。
例如，根据收入，有什么区别介于高收入和低收入之间。

均值标准误：样本的平均分与总体平均分之间的差值。
在哪里使用它？只要看看名义变量的全部范围即可。
您可以看到顺序、距离和比例。

3 变量分布形式 这取决于数据是什么样的。

正态分布：中间高，两侧低，像一座山。
许多统计方法所基于的一种特别常见的分布。

不对称：检查数据是否对称。
大于 0 表示尾部位于右侧的正偏差。
小于 0——负偏移，尾部向左。
对于正偏度，众数 < 中位数 < 均值。
负偏差则相反。

峰度：看辣不辣。
如果大于 0，则比正态分布更尖锐；如果小于 0，则比正态分布更平坦。

在 SPSS 中运行描述性统计后，您将能够了解数据是什么、GPA 是多少、是否分散以及数据是什么样子。
稍后绘制图像（例如直方图、箱线图）可以使该过程更加直观。